Reeșantionarea și agregarea observațiilor

Manipularea datelor de tip serie de timp în R

Harrison Brown

Graduate Researcher in Geography

Frecvența de eșantionare

Frecvență:

Numărul de observații pe an
ex.: săptămânal, zilnic, lunar, ...

Rezoluție temporală:

„Rezoluție ridicată" — eșantionat des
„Rezoluție scăzută" — eșantionat rar
„Ridicat" și „scăzut" sunt subiective

Diagramă conceptuală cu două grile: una cu rezoluție scăzută și una cu rezoluție ridicată, ilustrând ideea de date eșantionate mai frecvent sau mai rar.

Agregarea

Rezoluție ridicată -> rezoluție scăzută
Aplică o funcție precum mean, sum, max pe intervalul ales
ex.:
- sum lunar al datelor zilnice
- mean săptămânal al valorilor orare
- ...

Agregarea nu poate fi „inversată"
Total lunar -> valori zilnice?
Furnizează statistici pentru a descrie tipare în date
Agregarea reduce informația

Agregarea datelor cu xts

xts:

eXtensible Time Series
Extinde pachetul zoo și clasa de obiecte zoo
Funcții apply.*()

yearly_mean <-
  apply.yearly(x = maunaloa,
               FUN = mean)
autoplot(yearly_mean) + 
  labs(...)

Grafic al setului de date Mauna Loa, agregat pentru a calcula media anuală. Spre deosebire de datele originale, care prezentau variații mari în cursul unui an, acest grafic are o linie foarte lină, deoarece rezoluția de eșantionare este mult mai scăzută.

Agregarea datelor cu xts

Grafic al seriei de timp Mauna Loa, reprezentând concentrațiile de dioxid de carbon eșantionate săptămânal. Graficul prezintă o tendință generală ascendentă, cu un vârf sezonier periodic în fiecare an.

Funcțiile apply.

daily_total <-
  apply.daily(hourly_sales,
              FUN = sum)

weekly_max <-
  apply.weekly(daily_temperature,
               FUN = max)

monthly_average <-
  apply.monthly(daily_price,
               FUN = mean)

apply.quarterly(sales_report,
                FUN = sum)

apply.yearly(monthly_salary,
             FUN = sum)

Endpoints și period.apply

xts::endpoints()

xts::period.apply()

biweekly_eps <-
  endpoints(x = daily_data,
            on = "weeks",
            k = 2)

biweekly_data <-
  period.apply(x = daily_data,
               INDEX = biweekly_eps,
               FUN = mean)

biweekly_data

2002-05-05 8.148611
2002-05-19 8.146776
2002-06-02 8.060020
2002-06-16 8.028224
2002-06-30 7.944792
2002-07-14 7.930159
...

Să exersăm!

Manipularea datelor de tip serie de timp în R